Michał Burdukiewicz:

• bioinformatyk (Uniwersytet Medyczny w Białymstoku, Vilnius University),
• lider grupy badawczej BioGenies (biogenies.info),
• 16 lat doświadczenia z R,
• Stowarzyszenie Wrocławskich Użytkowników R (stwur.pl),
• Fundacja Why R? (whyr.pl).

Materiały: https://github.com/michbur/WizualizacjaDanych2025-2026Z

Riseup: https://pad.riseup.net/p/WWD-tmp

Mail: michalburdukiewicz@gmail.com

• Wilke, C. (2020). Podstawy wizualizacji danych. Zasady tworzenia atrakcyjnych wykresów. (https://clauswilke.com/dataviz/)
• Wilkinson, L. (2005). The Grammar of Graphics.
• Cairo, A. (2019). How Charts Lie: Getting Smarter about Visual Information.
• Engebretsen M., Kennedy H. (2020). Data Visualization in Society.
• https://data.europa.eu/apps/data-visualisation-guide/.

W księgarniach pod na początku 2026.

1. Czym są wizualizacje danych?
2. Gramatyka grafiki.
3. Błędy w wizualizacjach danych.
4. Narzędzia do wizualizacji danych.
5. Efektywne projektowanie dashboardów.
6. Zaaawansowane wizualizacje danych.

1. Czym są wizualizacje danych?
2. Gramatyka grafiki.
   • Praca w grupach.
3. Błędy w wizualizacjach danych.
   • Praca w grupach.
4. Narzędzia do wizualizacji danych.
   • Praca w grupach.
5. Efektywne projektowanie dashboardów.
6. Zaaawansowane wizualizacje danych.

Joint Committee on Standards for Graphic Presentation (1915). Standards for Graphic Presentation. Publications of the American Statistical Association 14, 790–797.

…(a) is based on qualitative or quantitative data and (b) results in an image that is representative of the raw data, which is (c) readable by viewers and supports exploration, examination, and communication of the data…

\(~\)

Źródło: Tarek Azzam, Stephanie Evergreen, Amy A. Germuth, and Susan J. Kistler. Data visualization and evaluation. New Directions for Evaluation, 2013(139):7 32, 2013.

…involves presenting data in graphical or pictorial form which makes the information easy to understand…

\(~\)

Źródło: Matthew Sadiku, Adebowale Shadare, Sarhan Musa, Cajetan Akujuobi, and Roy Perry. Data visualization. International Journal of Engineering Research and Advanced Technology (IJERAT), 12:2454 6135, 12 2016.

Wizualizacja danych to forma komunikacji. Tak jak każdy komunikat, wykresy muszą być przede wszystkim zrozumiałe dla odbiorcy.

Wykresy 3D w R: https://github.com/tylermorganwall/rayshader

Inspiracje: VennGage

Gramatyka grafiki (grammar of graphics): ustrukturyzowany opis wizualizacji danych.

Wilkinson, L. (2005). The Grammar of Graphics (New York: Springer-Verlag).

Atrybuty wizualne (aesthetics): mapowanie danych do osi, kolorów, kształtów.

Oś X: Sepal.Length. Oś Y: Sepal.Width.

Oś X: Sepal.Length. Oś Y: Sepal.Width. Kolor: Species.

Oś X: Sepal.Length. Oś Y: Sepal.Width. Kształt: Species.

Oś X: Sepal.Length. Oś Y: Sepal.Width. Kształt: Species. Kolor: Species.

Geometrie: obiekty reprezentujące dane.

Dzielenie wykresu na podwykresy w zależności od poziomu zmiennej dyskretnej.

Wykres poprzedni bez fasetowania.

Transformacje danych w celu przypisania ich do atrybutów wizualnych.

1. Czcionki.
2. Dodatkowe elementy graficzne.

1. Czcionka do tytułów/nagłówków.
2. Treść dokumentu.
3. Wyróżnianie treści.

Czcionki wykorzystywane przez Tableau są tak dobrane, aby zapewnić maksymalną czytelność przy małych rozmiarach.

Elementy graficzne nawiązujące do treści wzmacniają przekaz i pozwalają lepiej zrozumieć dane.

Błąd dopasowania to sytuacja, w której zastosowane elementy gramatyki grafiki nie wspierają porównań wymaganych przez cel wykresu, przez co wizualizacja nie realizuje swojego zadania poznawczego.

Przykłady błędów dopasowania:

• statystyka agreguje w sposób, który zaciera porównanie wymagane przez cel;
• atrybut wizualny koduje zmienną, która nie jest istotna z punktu widzenia celu wykresu.

dat <- read.csv("./data/polish-driver-license.csv")
kable(dat[1L:3, ])

• voivodeship: województwo
• gender: płeć
• age: wiek
• count: liczba uzyskanych praw jazdy
• year: rok
• month: miesiąc

W podgrupach opisać wykresy wykorzystując gramatykę grafiki. Skupiamy się na:

• atrybutach wizualnych
• geometriach
• facetach
• statystykach.

Każdą wizualizację podsumować jednym największym błędem dopasowania.

Riseup: https://pad.riseup.net/p/WWD-tmp

Plik: examples.html.

1. Fałszywe (przedstawiające fałszywe informacje).
2. Mylące (przedstawiające fałszywie rzeczywiste informacje).

Trudne porównania - niewłaściwie wybrana metoda wizualizacja.

Niewłaściwie wybrana metoda wizualizacji.

Source: https://clauswilke.com/dataviz/

Kolory mogą nawiązywać do treści wizualizacji…

… ale schemat kolorystyczny powinien być stosowany konsekwentnie.

Źródło: http://www.asawicki.info/

Źródło: http://www.asawicki.info/

Źródło: http://www.asawicki.info/

https://www.color-blindness.com/coblis-color-blindness-simulator/

Tableau domyślnie dobiera palety kolorów (zarówno ilościowe jak i kategoryczne), które są łatwo rozróżnialne również dla osób z zaburzeniami widzenia barwnego.

https://colorbrewer2.org/: narzędzie do generowania palet kolorów.

Nadmiar stylizacji wykresu może zmniejszać czytelność wykresu.

Źródło: Joey Cherdarchuk

How to Lie with Statistics, Darrell Huff

W podgrupach zaproponować poprawiony wykres wykorzystując gramatykę grafiki. Przy każdym elemencie gramatyki grafiki wyjaśnić dlaczego wspiera cel wizualizacji.

Riseup: https://pad.riseup.net/p/WWD-tmp

Plik: examples.html.

1. Programistyczne (R, Python, JavaScript)
2. Programy graficzne (Inkscape).
3. Programy przeznaczone do wizualizacji danych i budowy dashboardów (Tableau).

Deklaratywne:

• zadanie: warunki jakie musi spełniać wizualizacja,
• jak wizualizacja jest wykonywana jest rozstrzygane wewnętrznie i niezależnie od użytkownika,
• oddzielenie specyfikacji od wykonania.

Imperatywne:

• zadanie: krok po kroku jak stworzyć wizualizację,
• użytkownik w pełni kontroluje każdy detal wizualizacji,
• jeśli warunki jakie musi spełniać wizualizacja zmienią się nawet odrobinę, instrukcja tworzenia może się zmienić znacząco.

library(ggplot2)

ggplot(iris, aes(x = Sepal.Length, y = Petal.Length)) +
  geom_point()

library(grid)

grid.newpage()

pushViewport(plotViewport(margins = c(5, 5, 5, 5)))
pushViewport(dataViewport(xscale = range(iris[["Sepal.Length"]]), 
                          yscale = range(iris[["Petal.Length"]])))

grid.xaxis()
grid.yaxis()

grid.points(x = iris[["Sepal.Length"]], 
            y = iris[["Petal.Length"]],
            default.units = "native", 
            pch = 16)

Lista narzędzi do wizualizacji danych: W1-addendum.html.

Domyślne ustawienia to wbudowane decyzje o wyglądzie wykresu podjęte przez autorów danego narzędzia. Mają za zadanie przyśpieszyć tworzenie zrozumiałych wykresów, ale czasami mogą prowadzić do błędów.

Przykład problemu: domyślne ustawienia etykiet na osi X utrudnia ich odczytanie.

ggplot(mpg, aes(x = model)) +
  geom_bar()

Rozwiązanie problemu: zmiana ustawienia etykiet na osi X.

ggplot(mpg, aes(x = model)) +
  geom_bar() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Dobrze dobrane domyślne ustawienia znacząco przyśpieszają naszą pracę i pozwalają przenieść część decyzji na autorów narzędzia.

Są one szczególnie istotne przy budowaniu dashboardów lub automatycznych raportów, gdzie wizualizacje są budowane na zmieniających się zbiorach danych.

Koszt wejścia w narzędzie to czas i wysiłek potrzebny do nauczenia się jego używania. Koszt ten jest różny dla różnych narzędzi i zależy od ich złożoności oraz dostępności dokumentacji.

Narzędzia o niskim koszcie wejścia: MS Excel, Datawrapper.

Narzędzia o wysokim koszcie wejścia: ggplot2, Seaborn, matplotlib.

Aby prawidłowo wybrać narzędzie o jak najmniejszym koszcie wejścia, potrzebne jest doświadczenie, aby oszacować ukryte koszty.

Narzędzia o niskim koszcie wejścia często szybko „blokują” użytkownika, gdy chce on wykroczyć poza podstawowe funkcje. Duża część domyślnych parametrów lub sposobów działania może być głęboko zaszyta w narzędziu co utrudnia ich modyfikację.

Koszt wejścia w narzędzie to inwestycja.

Krótki czas do uzyskania pierwszego wykresu nie zawsze oznacza uzyskanie oczekiwanych efektów (np. skalowalności, automatyzacji).

Wykorzystanie sztucznej inteligencji w wizualizacji danych:

1. Narzędzia oparte o SI do generowania wykresów.
2. Generowanie kodu za pomocą SI tworzącego wykresy.

• Quadratic AI
• Julius AI
• Data Formulator
• Rose.ai
• ChartGPT
• lida.

Problemy: bezpieczeństwo danych, jakość generowanych wykresów, brak kontroli nad wizualizacją.

Problemy:

• nieaktualność kodu (frameworki do wizualizacji danych ewoluują bardzo szybko),
• niska jakość powstałych wizualizacji jeśli są bardziej zaawansowane,
• arbitralność podjętych decyzji bez zrozumienia celu analizy.

Problemy:

• nieaktualność kodu (frameworki do wizualizacji danych ewoluują bardzo szybko),
• niska jakość powstałych wizualizacji jeśli są bardziej zaawansowane,
• arbitralność podjętych decyzji bez zrozumienia celu analizy.

W przypadku wątpliwości - sprawdźmy, czy narzędzie było testowane na zbiorze NVbench.

1. Każda osoba w grupie samodzielnie zapisuje 2–3 cechy, które według niej są najważniejsze w narzędziu do wizualizacji.
2. Dyskusja w grupie:
   1. Które cechy podane przez członków grupy są zbieżne ze sobą, a które są różne od siebie?
   2. Dlaczego te różnice się pojawiły? Czy wynikają z innych doświadczeń lub z innych potrzeb dotyczących wizualizacji danych?
3. Pisemne podsumowanie:
   1. Jedna cecha, która jest istotna dla wszystkich członków grupy.
   2. Najbardziej zaskakująca różnica oczekiwań i krótko wyjaśnienie, dlaczego ta różnica się pojawiła.

Wybór narzędzia do wizualizacji to nie kwestia technologii, ale umiejętności twórcy, celu komunikacyjnego i kontekstu.

Materiały: https://github.com/michbur/WizualizacjaDanych2025-2026Z

Mail: michalburdukiewicz@gmail.com